r - 当trimws不起作用时如何修剪空格？

Question

我习惯用trimws摆脱文本上的任何空格。
现在我有一个用 制作的 df刮 数据。
我有 2 个与金钱相关的列，但它们是 chr 向量，因为它们是从网络上抓取的，如前所述。我可以申请一栏 trimws没有问题，但不是另一个。

str(lacuracao_tvs$precio_actual[1])
chr " 1199.00"

为什么？

new_precio_actual <- trimws(lacuracao_tvs$precio_actual[1])

dput(new_precio_actual)
" 1199.00"

trimws 在 precio_antes 中有效，但在 precio_actual 中无效:

> str(lacuracao_tvs)
'data.frame':   100 obs. of  4 variables:
 $ ecommerce    : chr  "la-curacao" "la-curacao" "la-curacao" "la-curacao" ...
 $ producto     : chr  "TV LED AOC Ultra HD Smart 50\" LE50U7970" "TV Samsung Ultra HD 4K Smart 58\" UN-58RU7100G" "TV LG Ultra HD 4K Smart AI 55\" 55UK6200" "TV AOC Ultra HD 4K Smart 55\" 55U6285" ...
 $ precio_antes : chr  "1899.00" "1899.00" "1899.00" "1899.00" ...
 $ precio_actual: chr  " 1199.00" " 1199.00" " 1199.00" " 1199.00" ...

session 信息:

Sys.info()
          sysname           release           version          nodename 
        "Windows"          "10 x64"     "build 17763" "DESKTOP-MNDUKBD" 
          machine             login              user    effective_user 
         "x86-64"       "OGONZALES"       "OGONZALES"       "OGONZALES" 
> sessionInfo(package = NULL)
R version 3.5.2 (2018-12-20)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 10 x64 (build 17763)

Matrix products: default

locale:
[1] LC_COLLATE=English_United States.1252 
[2] LC_CTYPE=English_United States.1252   
[3] LC_MONETARY=English_United States.1252
[4] LC_NUMERIC=C                          
[5] LC_TIME=English_United States.1252    

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
[1] dplyr_0.7.8     rvest_0.3.2     xml2_1.2.0      RSelenium_1.7.5

loaded via a namespace (and not attached):
 [1] Rcpp_1.0.0       rstudioapi_0.9.0 bindr_0.1.1      magrittr_1.5    
 [5] rappdirs_0.3.1   tidyselect_0.2.5 R6_2.3.0         rlang_0.3.1     
 [9] stringr_1.3.1    httr_1.4.0       caTools_1.17.1.1 tools_3.5.2     
[13] binman_0.1.1     selectr_0.4-1    semver_0.2.0     subprocess_0.8.3
[17] yaml_2.2.0       openssl_1.1      assertthat_0.2.0 tibble_2.0.1    
[21] crayon_1.3.4     bindrcpp_0.2.2   purrr_0.2.5      bitops_1.0-6    
[25] curl_3.3         glue_1.3.0       wdman_0.2.4      stringi_1.2.4   
[29] compiler_3.5.2   pillar_1.3.1     XML_3.98-1.20    jsonlite_1.6    
[33] pkgconfig_2.0.2

更新 1:

utf8ToInt(lacuracao_tvs$precio_actual[1])
[1] 160  49  49  57  57  46  48  48

Answer 1

ASCII 码为 160 的字符称为“不间断空格”。人们可以在维基百科中阅读它:
https://en.wikipedia.org/wiki/Non-breaking_spacetrimws()函数不将其包含在被函数删除的字符列表中:

x <- intToUtf8(c(160,49,49,57,57,46,48,48))
x
#[1] " 1199.00"

trimws(x)
#[1] " 1199.00"

摆脱它的一种方法是使用 str_trim() stringr 库中的函数:

library(stringr)
y <- str_trim(x)
trimws(y)
[1] "1199.00"

另一种方法是通过申请 iconv()功能第一:

y <- iconv(x, from = 'UTF-8', to = 'ASCII//TRANSLIT')
trimws(y)
#[1] "1199.00"

更新
解释为什么 trimws() 不会删除上述“不可见”字符而 stringr::str_trim() 会删除。
这是我们从 trimws() 中读到的内容帮助:

For portability, ‘whitespace’ is taken as the character class [ \t\r\n] (space, horizontal tab, line feed, carriage return)

对于 stringr::str_trim()帮助主题本身并没有指定什么被认为是“空白”，但是如果您查看 stri_trim_both 的帮助信息由 str_trim() 调用你会看到:stri_trim_both(str, pattern = "\\P{Wspace}")基本上在这种情况下，它使用更广泛的字符，这些字符被视为空白。
更新 2
正如@H1 所指出的，3.6.0 版提供了一个选项来指定考虑空白字符的内容:

Internally, 'sub(re, "", *, perl = TRUE)', i.e., PCRE library regular expressions are used. For portability, the default 'whitespace' is the character class '[ \t\r\n]' (space, horizontal tab, carriage return, newline). Alternatively, '[\h\v]' is a good (PCRE) generalization to match all Unicode horizontal and vertical white space characters, see also <URL: https://www.pcre.org>.

因此，如果您使用的是 3.6.0 或更高版本，您可以简单地执行以下操作:

> trimws(x,whitespace = "[\\h\\v]")
#[1] "1199.00"